不受歡迎的意見：成為一名好數據科學家比以往任何時候都更難

>數據科學和人工智能工程的不斷發展的景觀：查看挑戰和機遇

>

生成的AI（Genai）和大語言模型（LLM）正在重塑專業世界，尤其是在數據科學中。 這個Genai驅動的環境給有抱負和建立的數據科學家帶來了前所未有的挑戰。本文分享了與傳統ML和Genai合作的六年多以來的見解和經驗，對成功數據科學家的不斷發展的作用提供了觀點。

免責聲明：以下軼事可能是虛構的。 > ？如果您發現這篇文章有幫助，請喜歡並發表評論！ 您還可以在我的博客上找到原始帖子。 ？

不受歡迎的意見：數據科學家的角色比以往任何時候都更加要求。

目錄的表

定義“​​好”數據科學家

挑戰＃1：高期望，有限的數據和策略

1. 挑戰＃2：AI Hype＆自稱專家
2. 挑戰＃3：整個組織之間的數據科學角色不一致
3. 挑戰＃4：持續數據質量問題
4. 挑戰＃5：域專業知識的關鍵需求
5. 挑戰＃6：導航“ OPS”景觀（DATAOPS，MLOPS，AIOPS，LLMOPS）
6. 挑戰＃7：適應快速技術進步
7. 結論
8. 參考
10. 1。定義一個“好”數據科學家

“深度學習？我們專注於

在這裡學習。數據工程是它所處的位置。” -

一個假設的雇主，2015

> >我的旅程始於R和SQL，分析了北歐股票市場的趨勢。 我研究的尖端深度學習感覺到了世界。現在，我的重點是LLMS，Genai和Agentic Workfrows，它們使用打字稿構建Genai服務。這種轉變反映了對數據專業人員的期望的更廣泛的發展 - 從傳統的ML/DL到生成AI和LLM。 “好”數據科學家的定義已經擴展。角色差異很大，從A/B測試和統計建模到端到端（E2E）ML管道所有權。 但是，核心技能仍然至關重要：

Genai時代的V形數據科學家>（請參閱參考文獻[1]）

我的論文強調了在這個快速變化時代成功的V形技巧：

深度AI/ML專業知識

編程和系統開發 數據工程

>業務敏銳度

道德考慮與治理

1. 在這個基礎上，讓我們探索當前的挑戰。
2. 2。挑戰＃1：高期望，有限的數據和策略
3. >

   “我們需要AI，Genai，LLMS！我們的競爭對手正在使用Chatgpt。建立聊天機器人！哦，您的第一年沒有數據。隱私問題。” - 假設的經理，2023

   >

   AI是許多組織的重中之重。 Chatgpt的興起推動了朝著“ AI驅動”的業務奔波。 雖然通過LLMS集成AI似乎很容易，但現實很複雜。

   >

   關鍵挑戰突出了期望與現實之間的差距：

• 數據稀缺：強大的數據管道至關重要。數據科學家經常花時間倡導數據工程資源來構建這些管道。 此外，數據通常是分散的，不一致的，結構不佳。 缺乏數據策略>
需要一個明確的策略 - 不僅僅是數據本身。 這包括解決敏感數據，將數據科學工作與業務目標保持一致以及培養數據驅動的文化。 沒有此，數據科學家解決了無關緊要的問題或創建未使用的解決方案。
• 缺乏AI策略：許多公司為此而採用AI。 具有定義用例和ROI的明確AI策略至關重要。
這些挑戰強調了在追求AI計劃之前需要基礎支持的必要性。
• 3。挑戰＃2：AI Hype＆自稱專家

“ Chatgpt於2022年底發布。我參加了五個及時的工程課程- 這很容易！我的本地模型可以使用，所以讓我們進行擴展。” -

一個假設的非AI同事，2024

> AI繁榮導致自稱專家的激增。 儘管通過LLM的AI商品化是積極的，但它也稀釋了專業知識。 參加及時的工程課程並不會使某人成為AI專家。

這個炒作帶來了挑戰：

自稱專家的興起 ：

過分自信和缺乏真正的專業知識可能會阻礙進步。

未對準技能：

團隊可能具有AI工具技能，但缺乏有效構建，微調和部署模型的專業知識。

>

過度依賴插件解決方案：
• 雖然可訪問，但這些解決方案通常缺乏自定義，可伸縮性和地址安全/合規性問題。 > LLM功能的
誤解： 4。挑戰＃3：組織之間的數據科學角色不一致>

“數據科學家？您什麼？您可以幫助此SQL查詢嗎？” - 假設的同事，2024

>

>數據科學家角色缺乏明確的定義。 職責差異很大：

>
• 產品分析師：專注於A/B測試，用戶行為分析。
• 數據工程師：專注於構建和維護數據管道。
• 機器學習工程師：專注於完整的ML模型生命週期。
這種不一致導致：
• >未定義的角色：在工作申請和訪談中混亂。
• 技能超載和倦怠：在不同地區精通的壓力。
• >轉向AI工程：對專業人士的需求不斷增長。 在求職過程中的
清晰度至關重要。
>
5。挑戰＃4：持續數據質量問題
“數據，我的朋友，敵人和合作夥伴。我應該使用llms生成合成數據嗎？” -

假設數據科學家，2024

>

>

>垃圾，垃圾（Gigo）仍然是一個重要的問題。許多公司對其數據缺乏全面的了解，從而導致有效地使用AI的挑戰。 6。挑戰＃5：對域專業知識的關鍵需求



“您不是科學家嗎？您不應該知道有關金融和法律的一切嗎？使用Chatgpt！” - 一個假設的領域專家，2022-2023

>

>> LLM強大，但深厚的領域專業知識仍然至關重要。 與領域專家的合作至關重要：>

上下文理解：提供數據分析中經常缺少的上下文。

• 模型微調：確保模型與行業標准保持一致。
• 風險緩解與合規性：敏感部門的規定。
• 7。挑戰＃6：導航“ OPS”景觀
>

“數據管道，模型部署，LLM優化和雲基礎架構？我只是想訓練模型！” - 假設數據科學家，2024

>

>操作AI系統至關重要。 了解DataOps，MLOPS，AIOPS和LLMOPS對於成功的生產部署至關重要。

8。挑戰＃7：適應快速技術進步

“新圖書館與我們的堆棧不兼容，但是它更快。我會適合。” -

假設工程經理，2024>

技術變革的迅速步伐既提出了機遇和挑戰：>

壓倒性的工具選擇：
• 難以選擇正確的工具。
碎片和集成：
• 挑戰集成不同的系統。
>不斷發展的技能：
• 需要持續學習和適應。
平衡創新與實用性：
• 將真正的創新與炒作區分開。 編程角色的未來
：
• AI有可能自動化編程任務的潛力。
9。總結思想

數據科學領域正在迅速發展。 成功需要融合技術專長，業務敏銳度，協作技巧以及致力於持續學習的承諾。

10。參考

[1] Elwin，M。 （2024）。 V形數據科學家在生成AI時代。

中等

。 [鏈接到原始中等文章] [2-10] [鏈接到其餘參考]

以上是不受歡迎的意見：成為一名好數據科學家比以往任何時候都更難的詳細內容。更多資訊請關注PHP中文網其他相關文章！